稍微整理下latex 寫table和algorithm的方法，大多是對網上搜索到的內容的整理

最簡單的table的寫法：

程式碼

效果

其中|c|c|表示有兩列，定義好有幾列以後接下來是寫表格中每一行的內容

\hline表示在下面畫一條橫線。

latex 寫algorithm的方法：

algorithm排版可能需要的套件

\documentclass[journal]{IEEEtran}
\usepackage{algorithm}
%\usepackage{algorithmic}
\usepackage{algpseudocode}
\usepackage{amsmath}
\usepackage{graphics}
\usepackage{epsfig}

其中algorithmic在compile時會出現錯誤

! LaTex Error: Command \algorithm already defined.

Or name \end... illegal, see p.192 of the manual

原因不是很清楚，所以只好先mark掉.

在演算法中顯示Input  和Output 關鍵字：

\renewcommand{\algorithmicrequire}{\textbf{Input:}} % Use Input in the format of Algorithm
\renewcommand{\algorithmicensure}{\textbf{Output:}} % Use Output in the format of Algorithm

樣式1：

\begin{algorithm}[htb] 
\caption{ Framework of ensemble learning for our system.} 
\label{alg:Framwork} 
\begin{algorithmic}[1] 
\Require 
The set of positive samples for current batch, $P_n$; 
The set of unlabelled samples for current batch, $U_n$; 
Ensemble of classifiers on former batches, $E_{n-1}$; 
\Ensure 
Ensemble of classifiers on the current batch, $E_n$; 
\State Extracting the set of reliable negative and/or positive samples $T_n$ from $U_n$ with help of $P_n$; 
\label{code:fram:extract} 
\State Training ensemble of classifiers $E$ on $T_n \cup P_n$, with help of data in former batches; 
\label{code:fram:trainbase} 
\State $E_n=E_{n-1}cup E$; 
\label{code:fram:add} 
\State Classifying samples in $U_n-T_n$ by $E_n$; 
\label{code:fram:classify} 
\State Deleting some weak classifiers in $E_n$ so as to keep the capacity of $E_n$; 
\label{code:fram:select} \\ 
\Return $E_n$; 
\end{algorithmic} 
\end{algorithm}

排版效果：

樣式2：

\begin{algorithm}[h] 
\caption{An example for format For \& While Loop in Algorithm} 
\begin{algorithmic}[1] 
\For{each $i\in [1,9]$} 
\State initialize a tree $T_{i}$ with only a leaf (the root); 
\State $T=T\cup T_{i};$ 
\EndFor 
\ForAll {$c$ such that $c\in RecentMBatch(E_{n-1})$} 
\label{code:TrainBase:getc} 
\State $T=T\cup PosSample(c)$; 
\label{code:TrainBase:pos} 
\EndFor; 
\For{$i=1$; $i<n$; $i++$ } 
\State $//$ Your source here; 
\EndFor 
\For{$i=1$ to $n$} 
\State $//$ Your source here; 
\EndFor 
\State $//$ Reusing recent base classifiers. 
\label{code:recentStart} 
\While {$(|E_n| \leq L_1 )and( D \neq \phi)$} 
\State Selecting the most recent classifier $c_i$ from $D$; 
\State $D=D-c_i$; 
\State $E_n=E_n+c_i$; 
\EndWhile 
\label{code:recentEnd} 
\end{algorithmic} 
\end{algorithm}

排版效果：

樣式3：

\begin{algorithm}[h] 
\caption{Conjugate Gradient Algorithm with Dynamic Step-Size Control} 
\label{alg::conjugateGradient} 
\begin{algorithmic}[1] 
\Require 
$f(x)$: objective funtion; 
$x_0$: initial solution; 
$s$: step size; 
\Ensure 
optimal $x^{*}$ 
\State initial $g_0=0$ and $d_0=0$; 
\Repeat 
\State compute gradient directions $g_k=\bigtriangledown f(x_k)$; 
\State compute Polak-Ribiere parameter $\beta_k=\frac{g_k^{T}(g_k-g_{k-1})}{\parallel g_{k-1} \parallel^{2}}$; 
\State compute the conjugate directions $d_k=-g_k+\beta_k d_{k-1}$; 
\State compute the step size $\alpha_k=s/\parallel d_k \parallel_{2}$; 
\Until{($f(x_k)>f(x_{k-1})$)} 
\end{algorithmic} 
\end{algorithm}

排版效果：

先前使用的套件為algorithm或algorithmic，接下來介紹另一個寫algorithm的套件algorithm2e

首先使用\usepackage 指令

\usepackage[linesnumbered,boxed]{algorithm2e}

樣式4：

\begin{algorithm} 
\caption{identifyRowContext} 
\KwIn{$r_i$, $Backgrd(T_i)$=${T_1,T_2,\ldots ,T_n}$ and similarity threshold $\theta_r$} 
\KwOut{$con(r_i)$} 
$con(r_i)= \Phi$\; 
\For{$j=1;j \le n;j \ne i$} 
{ 
float $maxSim=0$\; 
$r^{maxSim}=null$\; 
\While{not end of $T_j$} 
{ 
compute Jaro($r_i,r_m$)($r_m\in T_j$)\; 
\If{$(Jaro(r_i,r_m) \ge \theta_r)\wedge (Jaro(r_i,r_m)\ge r^{maxSim})$} 
{ 
replace $r^{maxSim}$ with $r_m$\; 
} 
} 
$con(r_i)=con(r_i)\cup {r^{maxSim}}$\; 
} 
return $con(r_i)$\; 
\end{algorithm}

排版效果：

如果想要去掉演算法中的豎線:

在\begin{algorithm}之後加入\SetAlgoNoLine